甘肃省植被覆盖变化及其对退耕还林工程的响应

利用2000—2015年MODIS-NDVI数据,基于遥感和地理信息系统技术,采用像元二分法和一元线性回归分析法,定量探讨了甘肃省近16 a植被覆盖的时空变化特征,并在此基础上评估退耕还林面积与植被覆盖的相互关系。结果表明:(1)2000—2015年甘肃省年均归一化植被指数(NDVI)值呈增加趋势,年增长速率为0.43%,说明甘肃省植被覆盖总体呈改善态势。(2)16 a间,全省植被覆盖虽有局部恶化趋势,但改善区域面积远大于植被退化区域。其中,明显改善、中度改善和轻微改善区域面积分别占总面积的20.62%、14.67%和33.05%,退化区域面积仅占2.87%。(3)总体上,甘肃省植被覆盖度仍然较低,全省16 a平均植被覆盖度为50.98%,低、中低植被覆盖区面积占总面积的50%以上,且分布不均,其中东南地区平均植被覆盖度最高,为75.43%,中部次之,为47.84%,西北最低,只有31.77%,空间差异显著。(4)退耕还林面积能较好地解释植被覆盖度的变化。退耕还林工程集中区即黄河以东地区累计退耕还林面积与2000—2015年年均植被覆盖度明显相关,其决定系数R2为0.721 8。

基于无人机多光谱影像的小麦封垄前种植行识别方法改进

【目的】为实现小麦精准管理,准确识别其种植行位置具有重要意义。本研究分别针对传统Hough变换法和绿色像元累积法存在的缺陷进行改进,并对改进前、后不同方法在小麦种植行识别上的精度进行对比分析,为小麦种植行精准提取提供技术支撑。【方法】本研究开展了小麦水、氮耦合试验,在小麦拔节前期,基于四旋翼无人机携带RedEdge M传感器获取小麦不同生长条件下多光谱影像。基于上述数据,首先采用超绿超红差分指数和Otsu方法对影像分割、分类,获取植被/土壤二值图;其次,采用3×1线型模板进行形态学开运算,降低边界不规则度并去除噪音;然后,结合无人机影像中小麦种植行排布特点,分别针对传统Hough变换法的峰值检测过程和绿色像素累积法的角度检测过程进行优化,提出改进的小麦种植行识别方法;最后,分别将两种方法改进前、后的识别结果与目视解译种植行位置结果进行对比,基于检出率和作物行识别精度(crop row detection accuracy,CRDA)评价4种方法的优劣。【结果】采用超绿超红差分指数与Otsu方法可以很好对植被/土壤进行分类,分类结果的总体精度达到93.75%,Kappa系数为0.87;形态学运算可以很好地去除图像噪声,减少后期种植行识别误差;改进后Hough变换法通过利用先验知识对峰值检测范围进行约束,有效提升了种植行检测精度,种植行平均检出率从30%提升至67%,CRDA平均值从0.22提升至0.44;改进后绿色像元累积法通过考察整幅影像的绿色像元累积特征,有效提升角度检测精度,种植行平均检出率从14%提升至93%,CRDA平均值从0.12提升至0.69;4种方法的识别精度从高到低依次为改进后绿色像元累积法、改进后Hough变换法、改进前Hough变换法、改进前绿色像元累积法。【结论】本研究较好地改进了传统种植行识别方法,为种植密度大、行间距小的小麦种植行识别提供了技术支撑。